campaigner0210/garbage-classification

垃圾分类器

1.项目描述

任务是对垃圾图片进行分类，即识别出垃圾图片中物品的类别，包括大分类与小分类，大分类共四个类别，分为厨余垃圾，可回收物，其他垃圾，有害垃圾。小分类为大分类下的分支。垃圾类别共214类。

2.代码结构

 {root}
  ├── models		//模型文件夹
  ├── logs			//日志文件夹
  ├── utils.py		//一些工具函数
  ├── dataset.py	//数据集预处理
  ├── train.py		//训练运行文件
  ├── infer.py		//批量验证文件
  ├── garbage.py	//界面文件
  ├── Main.py		//主文件，实现单张照片验证
  ├── readme.md		//帮助文档

3.解题思路

1.先找到本次题目适合的数据集。针对数据集做一些针对性的数据预处理算法，使之满足神经网络的输入并且进行数据增强，对后期的模型训练会有很大的帮助。

2.不断的尝试各种现有的网络结构。选择好的baseline。我们考虑用ResNet50和ResNet101进行结果对比，挑选出适合该网络的模型结构，然后基于该模型进行不断的调参，调试出性能较好的参数。

3.做结果验证，分析badcase。将上述模型在验证集上做结果验证，找出错误样本，分析出错原因，然后针对性地基于新数据和模型，再次进行模型调优，选择什么样的优化器，学习率衰减等等，将其得到的结果对比，选择最优。

4.用pyqt5实现界面，将选择测试的图片和最后显示的结果用界面显示出来。

4.训练

在该项目中，主要使用resnet101用于垃圾分类，使用预训练参数大大地节约训练时间，并在短时间内达到更高的准确率。损失函数选择使用CrossEntropyLoss，优化函数选择使用Adam，学习率优化函数选择使用StepLR。初始学习率设置为0.0001。在训练开始时，选择之前训练过的最优参数权重进行继承。训练过程中在Terminal中运行train.py文件，训练的每一轮epoch有进度条指示进度。

5.感想

工程项目实现过程中的调试手段很重要